加拿大安大略省倫敦市啟動一項結合人工智慧、社區組織與醫療資料的研究計畫，由倫敦健康科學中心研究機構與 ICES Western 共同推動；後者涵蓋勞森健康研究機構、西部大學及倫敦健康科學中心。計畫的長遠目標，是開發一套能協助醫師與庇護所工作人員，更早辨識無家者面臨不良健康結果風險的工具，並據此提供較即時的主動式照護。
研究同時將盤點既有健康資料中的重要缺口，找出哪些無家者較容易在醫療體系中「消失」。這代表計畫不只著眼於演算法預測，也試圖改善資料蒐集、跨界協作與服務觸及機制。核心方向是把健康服務從等待就醫，轉向在街頭與社區場域提前辨識需求。
這項研究本質上屬於公共衛生與資料治理計畫，並非以營利或政治勢力對抗為主要矛盾；其真正難題，在於「精準預測」能否真正轉化為可負擔、可信任且不會排斥弱勢族群的照護服務。無家者經常面臨臨時住所、缺乏固定醫療紀錄、藥物中斷及慢性病難以連續管理等問題，臨床風險並非只存在於醫院，也分布在街頭、庇護所與臨時安置空間。
人工智慧模型的可用資料卻高度不完整。若無家者在急診、住院或基層醫療間移動，而各機構未能建立可依法串接的紀錄，演算法可能只會放大既有盲區。更關鍵的是，資料越缺乏，模型越可能誤判那些最需要服務的人；資料越多，若缺乏同意機制與資料治理，privacy與尊嚴風險也越高。因此，模型準確率只是第一道門檻，臨床可執行性、社區信任、服務量能與偏誤測試才是決定成敗的核心。
這項計畫也回應公共衛生長期存在的結構性落差：一般醫療制度以固定門診、地址、身分與穩定就醫紀錄為運作基礎，街頭族群則難以符合這些前提。社區夥伴可補足病例發現與服務轉介，但醫療機關能提供多少資源、資料能在何種範圍內使用，仍將決定計畫能否由研究原型走向公共政策。
加拿大倫敦的研究可與全球城市推動街頭外展醫療、藥物支持及社會服務整合的經驗對照。過去公共衛生改善多仰賴增加服務據點，AI若能補上辨識與轉介缺口，可能縮短「高風險事件發生—接觸服務」之間的落差；但模型若缺乏街頭服務資源配合，也可能只是更精準地發現問題，卻無法解決問題。
01 起因觸發：倫敦醫療研究機構與ICES Western啟動AI及社區合作研究
02 一階傳導：醫師、庇護所工作人員與外展團隊獲得早期風險辨識及轉介工具
03 二階擴散：醫療資料治理、演算法偏誤與街頭族群隱私議題進入城市公共衛生政策
04 宏觀終局：公共衛生由被動就醫轉向預測式與社區嵌入式照護，資源配置方式亦隨之改變
領域延伸情報推薦 相關延伸研讀
依主題領域自動關聯之高參考價值外電情報
